CN107292287A - 人脸识别方法、装置、电子设备及存储介质 - Google Patents
人脸识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107292287A CN107292287A CN201710577220.4A CN201710577220A CN107292287A CN 107292287 A CN107292287 A CN 107292287A CN 201710577220 A CN201710577220 A CN 201710577220A CN 107292287 A CN107292287 A CN 107292287A
- Authority
- CN
- China
- Prior art keywords
- facial image
- face
- occlusion
- region
- weight
- 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
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种人脸识别方法,包括:获取目标人脸图像;确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域;计算所述遮挡区域的权重,及计算所述非遮挡区域的权重;提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量;基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度;当有至少一个模板人脸图像与所述目标人脸图像的人脸相似度高于相似度阈值时,确定人脸识别成功。本发明还提供一种人脸识别装置。通过本发明能提高人脸识别的准确率。
Description
技术领域
本发明涉及监控技术领域,尤其涉及一种人脸识别方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的发展与进步,人脸识别技术已经大量应用于社会生活的方方面面,例如,基于人脸识别的考勤系统和出入境关口的身份验证等,极大地方便了人们的工作和生活。但现有的人脸识别在一定程度都需要用户的配合,在人脸面部出现大量遮挡(如墨镜、口罩等)的情况下,人脸的全局特征信息收到干扰,人脸识别的难度明显增大,识别率会急剧下降,在很多场景下现有的人脸识别方法准备率不高。
发明内容
鉴于以上内容,有必要提供一种人脸识别方法、装置、电子设备及存储介质,能在人脸面部被大量遮挡时,提高人脸识别的准备率。
一种人脸识别方法,所述方法包括:
获取目标人脸图像;
若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域;
计算所述遮挡区域的权重,及计算所述非遮挡区域的权重;
提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量;
基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度;
当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,确定人脸识别成功。
根据本发明优选实施例,所述对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域包括:
利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行二值化处理得到二值化人脸图像;
利用边缘检测算法将所述二值化人脸图像分割成黑色区域及白色区域;将所述黑色区域确定为所述目标人脸图像的遮挡区域,将所述白色区域确定为所述目标人脸图像的非遮挡区域。
根据本发明优选实施例,所述计算所述遮挡区域的权重包括:
计算所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度;
根据所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重;
对所述遮挡区域的权重进行归一化。
根据本发明优选实施例,所述计算所述非遮挡区域的权重包括:
在所述非遮挡区域中,识别五官区域;
计算所述五官区域在所述非遮挡区域中所占的比例;
根据所述五官区域在所述非遮挡区域中所占的比例与所述非遮挡区域的权重的正比例关系,确定所述非遮挡区域的权重
对所述遮挡区域的权重进行归一化。
根据本发明优选实施例,所述提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量包括:
获取预先训练的人脸特征提取网络模型,其中所述预先训练的人脸特征提取网络模型根据至少一个类别的人脸样本图像训练得到,同一个人的人脸样本图像属于同一类别;
将所述遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述遮挡区域的特征向量;
将所述非遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述非遮挡区域的特征向量。
根据本发明优选实施例,所述基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度包括:
(a)对模板人脸图像中的任一模板人脸图像,将所述遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述遮挡区域的第一相似度;
(b)将所述非遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述非遮挡区域的第二相似度;
(c)根据所述遮挡区域的权重、所述非遮挡区域的权重、所述任一模板人脸图像对应的第一相似度及所述任一模板人脸图像对应的第二相似度,计算所述任一模板人脸图像与所述目标人脸图像的人脸相似度;
(d)对每个模板人脸图像,执行(a)、(b)、(c),直至每个模板人脸图像与所述目标人脸图像的人脸相似度计算完毕。
根据本发明优选实施例,在获取目标人脸图像之后,所述方法包括:
判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物;
所述判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
获取重构人脸图像;
计算所述目标人脸图像与所述重构人脸图像之间的差异值;
当所述差异值大于或者等于差异阈值时,确定在所述目标人脸图像中存在遮挡人脸的遮挡物。
一种人脸识别装置,所述装置包括:
获取模块,用于获取目标人脸图像;
分割模块,用于若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域;
权重计算模块,用于计算所述遮挡区域的权重,及计算所述非遮挡区域的权重;
提取模块,用于提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量;
相似度计算模块,用于基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度;
识别模块,用于当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,确定人脸识别成功。
根据本发明优选实施例,所述分割模块对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域包括:
利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行二值化处理得到二值化人脸图像;
利用边缘检测算法将所述二值化人脸图像分割成黑色区域及白色区域;将所述黑色区域确定为所述目标人脸图像的遮挡区域,将所述白色区域确定为所述目标人脸图像的非遮挡区域。
根据本发明优选实施例,所述权重计算模块计算所述遮挡区域的权重包括:
计算所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度;
根据所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重;
对所述遮挡区域的权重进行归一化。
根据本发明优选实施例,所述权重计算模块计算所述非遮挡区域的权重包括:
在所述非遮挡区域中,识别五官区域;
计算所述五官区域在所述非遮挡区域中所占的比例;
根据所述五官区域在所述非遮挡区域中所占的比例与所述非遮挡区域的权重的正比例关系,确定所述非遮挡区域的权重
对所述遮挡区域的权重进行归一化。
根据本发明优选实施例,所述提取模块提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量包括:
获取预先训练的人脸特征提取网络模型,其中所述预先训练的人脸特征提取网络模型根据至少一个类别的人脸样本图像训练得到,同一个人的人脸样本图像属于同一类别;
将所述遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述遮挡区域的特征向量;
将所述非遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述非遮挡区域的特征向量。
根据本发明优选实施例,所述相似度计算模块基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度包括:
(a)对模板人脸图像中的任一模板人脸图像,将所述遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述遮挡区域的第一相似度;
(b)将所述非遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述非遮挡区域的第二相似度;
(c)根据所述遮挡区域的权重、所述非遮挡区域的权重、所述任一模板人脸图像对应的第一相似度及所述任一模板人脸图像对应的第二相似度,计算所述任一模板人脸图像与所述目标人脸图像的人脸相似度;
(d)对每个模板人脸图像,执行(a)、(b)、(c),直至每个模板人脸图像与所述目标人脸图像的人脸相似度计算完毕。
根据本发明优选实施例,所述装置还包括:
判断模块,用于在获取目标人脸图像之后,判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物;
所述判断模块判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
获取重构人脸图像;
计算所述目标人脸图像与所述重构人脸图像之间的差异值;
当所述差异值大于或者等于差异阈值时,确定在所述目标人脸图像中存在遮挡人脸的遮挡物。
一种电子设备,所述电子设备包括存储器及处理器,所述存储器用于存储至少一个指令,所述处理器用于执行所述至少一个指令以实现任意实施例中所述人脸识别方法中的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现人脸识别方法,所述人脸识别方法包括任意实施例中所述人脸识别方法中的步骤。
由以上技术方案可以看出,本发明获取目标人脸图像;若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域;计算所述遮挡区域的权重,及计算所述非遮挡区域的权重;提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量;基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度;当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,确定人脸识别成功。本发明能在人脸面部被大量遮挡时,提高人脸识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明人脸识别方法的第一较佳实施例的流程图。
图2是本发明本发明人脸识别装置的较佳实施例的功能模块图。
图3是本发明至少一个实例中电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,是本发明人脸识别方法的第一较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S10,电子设备获取目标人脸图像。
在本发明的至少一个实施例中,所述电子设备采集图像,利用人脸检测方法对采集的图像进行人脸检测,并从所述采集的图像中获取目标人脸图像。在其他实施例中,所述电子设备也可以从存储设备中读取所述目标人脸图像。所述存储设备可以是外部存储设备也可以是所述电子设备的存储器。所述电子设备采集图像的形式可以包括动态采集和静态采集中任意一种。
S11,若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,所述电子设备对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域。
在本发明的至少一个实施例中,在获取目标人脸图像之后,所述方法包括:
判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物。
优选地,所述判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
获取重构人脸图像;计算所述目标人脸图像与所述重构人脸图像之间的差异值;当所述差异值大于或者等于差异阈值时,确定在所述目标人脸图像中存在遮挡人脸的遮挡物。当所述差异值小于差异阈值时,确定在所述目标人脸图像中不存在遮挡人脸的遮挡物。
进一步地,所述电子设备利用主成分分析法判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物。采用主成分分析法通过选取主元特征,可以将人脸图像降维,降维后的数据仍能保持人脸的主要特征,对降维后的数据进行识别,可大大降低计算量。
其中,利用主成分分析法判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
用表示重构人脸图像,其中m表示平均人脸向量,是对人脸样本图像集中的人脸样本图像求平均得到的;vi表示人脸图片中各个元素之间的相关性的向量,根据人脸样本图像集中的人脸样本图像得到协方差矩阵,再计算所述协方差矩阵的特征向量,即可得到所述vi,所述元素包括,但不限于:像素点;i表示第i个特征向量;n表示特征向量的总数,yi表示线性组合的系数,即表示第i个特征向量的重要程度。用表示所述目标人脸图像x与所述重构人脸图像之间的差异向量,||e||表示所述目标人脸图像与所述重构人脸图像之间的差异值,当||e||越大,表示所述目标人脸图像被遮挡的概率和严重程度也就越大。
在本发明的至少一个实施例中,当在所述目标人脸图像中存在遮挡人脸的遮挡物时,由于遮挡物的颜色与人脸的颜色差别很大,可以利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域。
优选地,利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行二值化处理得到二值化人脸图像,再利用边缘检测算法将所述二值化人脸图像分割成黑色区域及白色区域;将所述黑色区域确定为所述目标人脸图像的遮挡区域,将所述白色区域确定为所述目标人脸图像的非遮挡区域。
进一步地,可以用几何形状将所述黑色区域及白色区域框中,一个几何形状框(例如矩形框)中一个黑色区域或者白色区域,所述黑色区域可以是一个或者多个,所述白色区域可以是一个或者多个。
S12,所述电子设备计算所述遮挡区域的权重,及计算所述非遮挡区域的权重。
在本发明的至少一个实施例中,一个遮挡区域对应一个遮挡区域的权重,对任意一个遮挡区域,所述计算所述遮挡区域的权重包括:
计算所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度;根据所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重;对所述遮挡区域的权重进行归一化。
归一化的方法有很多种,例如基于线性函数的归一化、基于对数函数转换的归一化,对每个遮挡区域的权重归一化后,可以避免具有不同物理意义和量纲的输入变量(如所述遮挡区域的遮挡面积与所述遮挡区域的初始权重,或所述遮挡区域的遮挡面积与所述遮挡区域的遮挡颜色深浅度等等)不能平等使用。
当所述遮挡区域的遮挡面积越大,所述遮挡区域的权重越小。当所述遮挡区域的遮挡颜色深浅度越深,所述遮挡区域的权重越小。当遮挡物的权重越小时,在人脸识别的过程中,遮挡物的贡献率就越小,这样就可以降低遮挡区域对人脸识别的影响,提高遮挡情况下人脸识别的准确度。
所述遮挡区域的遮挡颜色深浅度可以用数值来衡量,所述遮挡区域的遮挡颜色深浅度越深,数值越大。可以将所述遮挡区域中每个像素点的灰度值进行累加求平均后作为所述遮挡区域的灰度值,再根据所述遮挡区域的灰度值确定所述遮挡区域的遮挡颜色深浅度。
优选地,当根据所述遮挡区域的遮挡面积与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重时,所述遮挡区域的权重等于所述遮挡区域初始权重除以所述遮挡区域的遮挡面积。所述遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述遮挡区域占所述目标人脸图像的比例得到等等。
优选地,当根据所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重时,所述遮挡区域的权重等于所述遮挡区域初始权重除以所述遮挡区域的遮挡颜色深浅度。所述遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述遮挡区域占所述目标人脸图像的比例得到等等。
优选地,当根据所述遮挡区域的遮挡面积及所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重时,所述遮挡区域的权重等于所述遮挡区域初始权重/(所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的遮挡颜色深浅度的乘积)。所述遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述遮挡区域占所述目标人脸图像的比例得到等等。
在本发明的至少一个实施例中,一个非遮挡区域对应一个非遮挡区域的权重,对任意一个非遮挡区域,所述计算所述非遮挡区域的权重包括:
在所述非遮挡区域中,识别五官区域;计算所述五官区域在所述非遮挡区域中所占的比例;根据所述五官区域在所述非遮挡区域中所占的比例与所述非遮挡区域的权重的正比例关系,确定所述非遮挡区域的权重,对所述非遮挡区域的权重进行归一化。
归一化的方法有很多种,例如基于线性函数的归一化、基于对数函数转换的归一化,对每个非遮挡区域的权重归一化后,可以避免具有不同物理意义和量纲的输入变量(如所述非遮挡区域中所占的比例与所述非遮挡区域的初始权重)不能平等使用。
优选地,所述非遮挡区域的权重等于所述非遮挡区域的初始权重乘以所述五官区域在所述非遮挡区域中所占的比例。所述非遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述非遮挡区域占所述目标人脸图像的比例得到等等。
S13,所述电子设备提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量。
在本发明的至少一个实施例中,所述提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量包括:
获取预先训练的人脸特征提取网络模型,其中所述预先训练的人脸特征提取网络模型根据至少一个类别的人脸样本图像训练得到,同一个人的人脸样本图像属于同一类别;将所述遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述遮挡区域的特征向量;将所述非遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述非遮挡区域的特征向量。
S14,基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度。
在本发明的至少一个实施例中,对模板人脸图像中的任一模板人脸图像,计算所述任意一个模板人脸图像与所述目标人脸图像的人脸相似度包括:
(a)将所述遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述遮挡区域的第一相似度;
(b)将所述非遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述非遮挡区域的第二相似度;
(c)根据所述遮挡区域的权重、所述非遮挡区域的权重、所述任一模板人脸图像与所述遮挡区域的第一相似度及所述任一模板人脸图像与所述非遮挡区域的第二相似度,计算所述任一模板人脸图像与所述目标人脸图像的人脸相似度;
对每个模板人脸图像,执行(a)、(b)、(c),直至每个模板人脸图像与所述目标人脸图像的人脸相似度计算完毕。
所述任一模板人脸图像与所述目标人脸图像的人脸相似度等于(所述任一模板人脸图像与所述遮挡区域的第一相似度乘以所述遮挡区域的权重)+(所述任一模板人脸图像与所述非遮挡区域的第二相似度乘以所述非遮挡区域的权重)。
例如,将目标人脸图像分割成2个遮挡区域,即第一遮挡区域、第二遮挡区域,3个非遮挡区域,即第一非遮挡区域、第二非遮挡区域、第三非遮挡区域。一个模板人脸图像与第一遮挡区域的相似度为0.2、所述模板人脸图像与第二遮挡区域的相似度为0.4,所述模板人脸图像与第一非遮挡区域的相似度为0.3、所述模板人脸图像与第二非遮挡区域的相似度为0.5、所述模板人脸图像与第三非遮挡区域的相似度为0.8,其中第一遮挡区域的权重为0.05、第二遮挡区域的权重为0.08、第一非遮挡区域的权重为0.8、第二非遮挡区域的权重为0.9、第三非遮挡区域的权重为0.7,则所述模板人脸图像与所述目标人脸图像的人脸相似度等于(0.2*0.05+0.4*0.08+0.3*0.8+0.5*0.9+0.8*0.7)。
S15,当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,所述电子设备确定人脸识别成功。
在本发明的至少一个实施例中,当确定人脸识别成功时,确定至少一个模板人脸图像与所述目标人脸图像属于同一人。
当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,所有模板人脸图像与所述目标人脸图像的人脸相似度都小于相似度阈值时,所述电子设备确定人脸识别失败。
本发明能在人脸面部被遮挡物遮挡时,在人脸识别的过程中,通过降低遮挡物的权重,来减少遮挡物对计算人脸图像与模板人脸图像的相似度的贡献,这样可以减少遮挡物对人脸识别的影响,从而提高人脸识别的准确率。
如图2所示,本发明人脸识别装置的较佳实施例的功能模块图。所述人脸识别装置11包括获取模块100、分割模块101、判断模块102、权重计算模块103、提取模块104、相似度计算模块105及识别模块106。本发明所称的模块是指一种能够被人脸识别装置11的处理设备所执行并且能够完成固定功能的一系列计算机程序段,其存储在基站的存储设备中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
获取模块100获取目标人脸图像。
在本发明的至少一个实施例中,所述获取模块100采集图像,利用人脸检测方法对采集的图像进行人脸检测,并从所述采集的图像中获取目标人脸图像。在其他实施例中,所述获取模块100也可以从存储设备中读取所述目标人脸图像。所述存储设备可以是外部存储设备也可以是所述电子设备的存储器。
若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,所述分割模块101对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域。
在本发明的至少一个实施例中,在获取目标人脸图像之后,所述装置包括:
判断模块102判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物。
优选地,所述判断模块102判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
获取重构人脸图像;计算所述目标人脸图像与所述重构人脸图像之间的差异值;当所述差异值大于或者等于差异阈值时,确定在所述目标人脸图像中存在遮挡人脸的遮挡物。当所述差异值小于差异阈值时,确定在所述目标人脸图像中不存在遮挡人脸的遮挡物。
进一步地,所述判断模块102利用主成分分析法判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物。采用主成分分析法通过选取主元特征,可以将人脸图像降维,降维后的数据仍能保持人脸的主要特征,对降维后的数据进行识别,可大大降低计算量。
其中,利用主成分分析法判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
用表示重构人脸图像,其中m表示平均人脸向量,是对人脸样本图像集中的人脸样本图像求平均得到的;vi表示人脸图片中各个元素之间的相关性的向量,根据人脸样本图像集中的人脸样本图像得到协方差矩阵,再计算所述协方差矩阵的特征向量,即可得到所述,所述元素包括,但不限于:像素点vi;i表示第i个特征向量;n表示特征向量的总数,yi表示线性组合的系数,即表示第i个特征向量的重要程度。用表示所述目标人脸图像x与所述重构人脸图像之间的差异向量,||e||表示所述目标人脸图像与所述重构人脸图像之间的差异值,当||e||越大,表示所述目标人脸图像被遮挡的概率和严重程度也就越大。
在本发明的至少一个实施例中,当在所述目标人脸图像中存在遮挡人脸的遮挡物时,由于遮挡物的颜色与人脸的颜色差别很大,所述分割模块101可以利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域。
优选地,利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行二值化处理得到二值化人脸图像,再利用边缘检测算法将所述二值化人脸图像分割成黑色区域及白色区域;将所述黑色区域确定为所述目标人脸图像的遮挡区域,将所述白色区域确定为所述目标人脸图像的非遮挡区域。
进一步地,可以用几何形状将所述黑色区域及白色区域框中,一个几何形状框(例如矩形框)中一个黑色区域或者白色区域,所述黑色区域可以是一个或者多个,所述白色区域可以是一个或者多个。
所述权重计算模块103计算所述遮挡区域的权重,及计算所述非遮挡区域的权重。
在本发明的至少一个实施例中,一个遮挡区域对应一个遮挡区域的权重,对任意一个遮挡区域,所述权重计算模块103计算所述遮挡区域的权重包括:
计算所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度;根据所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重;对所述遮挡区域的权重进行归一化。
归一化的方法有很多种,例如基于线性函数的归一化、基于对数函数转换的归一化,对每个遮挡区域的权重归一化后,可以避免具有不同物理意义和量纲的输入变量(如所述遮挡区域的遮挡面积与所述遮挡区域的初始权重,或所述遮挡区域的遮挡面积与所述遮挡区域的遮挡颜色深浅度等等)不能平等使用。
当所述遮挡区域的遮挡面积越大,所述遮挡区域的权重越小。当所述遮挡区域的遮挡颜色深浅度越深,所述遮挡区域的权重越小。当遮挡物的权重越小时,在人脸识别的过程中,遮挡物的贡献率就越小,这样就可以降低遮挡区域对人脸识别的影响,提高遮挡情况下人脸识别的准确度。
所述遮挡区域的遮挡颜色深浅度可以用数值来衡量,所述遮挡区域的遮挡颜色深浅度越深,数值越大。可以将所述遮挡区域中每个像素点的灰度值进行累加求平均后作为所述遮挡区域的灰度值,再根据所述遮挡区域的灰度值确定所述遮挡区域的遮挡颜色深浅度。
优选地,当根据所述遮挡区域的遮挡面积与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重时,所述遮挡区域的权重等于所述遮挡区域初始权重除以所述遮挡区域的遮挡面积。所述遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述遮挡区域占所述目标人脸图像的比例得到等等。
优选地,当根据所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重时,所述遮挡区域的权重等于所述遮挡区域初始权重除以所述遮挡区域的遮挡颜色深浅度。所述遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述遮挡区域占所述目标人脸图像的比例得到等等。
优选地,当根据所述遮挡区域的遮挡面积及所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重时,所述遮挡区域的权重等于所述遮挡区域初始权重/(所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的遮挡颜色深浅度的乘积)。所述遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述遮挡区域占所述目标人脸图像的比例得到等等。
在本发明的至少一个实施例中,一个非遮挡区域对应一个非遮挡区域的权重,对任意一个非遮挡区域,所述权重计算模块103计算所述非遮挡区域的权重包括:
在所述非遮挡区域中,识别五官区域;计算所述五官区域在所述非遮挡区域中所占的比例;根据所述五官区域在所述非遮挡区域中所占的比例与所述非遮挡区域的权重的正比例关系,确定所述非遮挡区域的权重,对所述非遮挡区域的权重进行归一化。
归一化的方法有很多种,例如基于线性函数的归一化、基于对数函数转换的归一化,对每个非遮挡区域的权重归一化后,可以避免具有不同物理意义和量纲的输入变量(如所述非遮挡区域中所占的比例与所述非遮挡区域的初始权重)不能平等使用。
优选地,所述非遮挡区域的权重等于所述非遮挡区域的初始权重乘以所述五官区域在所述非遮挡区域中所占的比例。所述非遮挡区域初始权重可以预先设置的,也可以是根据其他形式得到,如利用随机函数产生的随机变量等等,或者根据所述非遮挡区域占所述目标人脸图像的比例得到等等。
所述提取模块104提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量。
在本发明的至少一个实施例中,所述提取模块104提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量包括:
获取预先训练的人脸特征提取网络模型,其中所述预先训练的人脸特征提取网络模型根据至少一个类别的人脸样本图像训练得到,同一个人的人脸样本图像属于同一类别;将所述遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述遮挡区域的特征向量;将所述非遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述非遮挡区域的特征向量。
基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,所述相似度计算模块105将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度。
在本发明的至少一个实施例中,对模板人脸图像中的任一模板人脸图像,所述相似度计算模块105计算所述任意一个模板人脸图像与所述目标人脸图像的人脸相似度包括:
(a)将所述遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述遮挡区域的第一相似度;
(b)将所述非遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述非遮挡区域的第二相似度;
(c)根据所述遮挡区域的权重、所述非遮挡区域的权重、所述任一模板人脸图像与所述遮挡区域的第一相似度及所述任一模板人脸图像与所述非遮挡区域的第二相似度,计算所述任一模板人脸图像与所述目标人脸图像的人脸相似度;
对每个模板人脸图像,执行(a)、(b)、(c),直至每个模板人脸图像与所述目标人脸图像的人脸相似度计算完毕。
所述任一模板人脸图像与所述目标人脸图像的人脸相似度等于(所述任一模板人脸图像与所述遮挡区域的第一相似度乘以所述遮挡区域的权重)+(所述任一模板人脸图像与所述非遮挡区域的第二相似度乘以所述非遮挡区域的权重)。
例如,将目标人脸图像分割成2个遮挡区域,即第一遮挡区域、第二遮挡区域,3个非遮挡区域,即第一非遮挡区域、第二非遮挡区域、第三非遮挡区域。一个模板人脸图像与第一遮挡区域的相似度为0.2、所述模板人脸图像与第二遮挡区域的相似度为0.4,所述模板人脸图像与第一非遮挡区域的相似度为0.3,所述模板人脸图像与第二非遮挡区域的相似度为0.5,所述模板人脸图像与第三非遮挡区域的相似度为0.8,其中第一遮挡区域的权重为0.05,第二遮挡区域的权重为0.08,第一非遮挡区域的权重为0.8,第二非遮挡区域的权重为0.9,第三非遮挡区域的权重为0.7,则所述模板人脸图像与所述目标人脸图像的人脸相似度等于(0.2*0.05+0.4*0.08+0.3*0.8+0.5*0.9+0.8*0.7)。
当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,所述识别模块106确定人脸识别成功。
在本发明的至少一个实施例中,当确定人脸识别成功时,所述识别模块106确定至少一个模板人脸图像与所述目标人脸图像属于同一人。
当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,所有模板人脸图像与所述目标人脸图像的人脸相似度都小于相似度阈值时,所述识别模块106确定人脸识别失败。
本发明能在人脸面部被遮挡物遮挡时,在人脸识别的过程中,通过降低遮挡物的权重,来减少遮挡物对计算人脸图像与模板人脸图像的相似度的贡献,这样可以减少遮挡物对人脸识别的影响,从而提高人脸识别的准确率。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图3所示,所述电子设备1包括至少一个发送装置31、至少一个存储器32、至少一个处理器33、至少一个接收装置34、至少一个显示器35以及至少一个通信总线。其中,所述通信总线用于实现这些组件之间的连接通信。
所述电子设备1是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。所述电子设备1还可包括网络设备和/或用户设备。其中,所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备1可以是,但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品,例如,平板电脑、智能手机、个人数字助理(PersonalDigital Assistant,PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备1所处的网络包括,但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
其中,所述接收装置34和所述发送装置31可以是有线发送端口,也可以为无线设备,例如包括天线装置,用于与其他设备进行数据通信。
所述存储器32用于存储程序代码。所述存储器32可以是集成电路中没有实物形式的具有存储功能的电路,如RAM(Random-Access Memory,随机存取存储器)、FIFO(First InFirst Out,)等。或者,所述存储器32也可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digitalcard)、快闪存储器卡(flash card)等储存设备等等。
所述处理器33可以包括一个或者多个微处理器、数字处理器。所述处理器33可调用存储器32中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器32中的程序代码,并由所述处理器33所执行,以实现一种人脸识别方法。所述处理器33又称中央处理器(CPU,Central Processing Unit),是一块超大规模的集成电路,是运算核心(Core)和控制核心(Control Unit)。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述指令当被包括一个或多个处理器的终端执行时,使终端执行如上文方法实施例所述的人脸识别方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明每个实施例中的各功能模块可以集成在一个处理单元中,也可以是每个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (16)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取目标人脸图像;
若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域;
计算所述遮挡区域的权重,及计算所述非遮挡区域的权重;
提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量;
基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度;
当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,确定人脸识别成功。
2.如权利要求1所述的人脸识别方法,其特征在于,所述对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域包括:
利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行二值化处理得到二值化人脸图像;
利用边缘检测算法将所述二值化人脸图像分割成黑色区域及白色区域;将所述黑色区域确定为所述目标人脸图像的遮挡区域,将所述白色区域确定为所述目标人脸图像的非遮挡区域。
3.如权利要求1所述的人脸识别方法,其特征在于,所述计算所述遮挡区域的权重包括:
计算所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度;
根据所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重;
对所述遮挡区域的权重进行归一化。
4.如权利要求1所述的人脸识别方法,其特征在于,所述计算所述非遮挡区域的权重包括:
在所述非遮挡区域中,识别五官区域;
计算所述五官区域在所述非遮挡区域中所占的比例;
根据所述五官区域在所述非遮挡区域中所占的比例与所述非遮挡区域的权重的正比例关系,确定所述非遮挡区域的权重
对所述非遮挡区域的权重进行归一化。
5.如权利要求1所述的人脸识别方法,其特征在于,所述提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量包括:
获取预先训练的人脸特征提取网络模型,其中所述预先训练的人脸特征提取网络模型根据至少一个类别的人脸样本图像训练得到,同一个人的人脸样本图像属于同一类别;
将所述遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述遮挡区域的特征向量;
将所述非遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述非遮挡区域的特征向量。
6.如权利要求1所述的人脸识别方法,其特征在于,所述基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度包括:
(a)对模板人脸图像中的任一模板人脸图像,将所述遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述遮挡区域的第一相似度;
(b)将所述非遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述非遮挡区域的第二相似度;
(c)根据所述遮挡区域的权重、所述非遮挡区域的权重、所述任一模板人脸图像对应的第一相似度及所述任一模板人脸图像对应的第二相似度,计算所述任一模板人脸图像与所述目标人脸图像的人脸相似度;
(d)对每个模板人脸图像,执行(a)、(b)、(c),直至每个模板人脸图像与所述目标人脸图像的人脸相似度计算完毕。
7.如权利要求1至6中任一项所述的人脸识别方法,其特征在于,在获取目标人脸图像之后,所述方法包括:
判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物;
所述判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
获取重构人脸图像;
计算所述目标人脸图像与所述重构人脸图像之间的差异值;
当所述差异值大于或者等于差异阈值时,确定在所述目标人脸图像中存在遮挡人脸的遮挡物。
8.一种人脸识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标人脸图像;
分割模块,用于若确定在所述目标人脸图像中存在遮挡人脸的遮挡物时,对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域;
权重计算模块,用于计算所述遮挡区域的权重,及计算所述非遮挡区域的权重;
提取模块,用于提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量;
相似度计算模块,用于基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度;
识别模块,用于当在每个模板人脸图像与所述目标人脸图像的人脸相似度中,有至少一个模板人脸图像与所述目标人脸图像的人脸相似度大于或者等于相似度阈值时,确定人脸识别成功。
9.如权利要求8所述的人脸识别装置,其特征在于,所述分割模块对所述目标人脸图像进行图像分割,并确定所述目标人脸图像的遮挡区域及所述目标人脸图像的非遮挡区域包括:
利用遮挡物的颜色与人脸的颜色差异对所述目标人脸图像进行二值化处理得到二值化人脸图像;
利用边缘检测算法将所述二值化人脸图像分割成黑色区域及白色区域;将所述黑色区域确定为所述目标人脸图像的遮挡区域,将所述白色区域确定为所述目标人脸图像的非遮挡区域。
10.如权利要求8所述的人脸识别装置,其特征在于,所述权重计算模块计算所述遮挡区域的权重包括:
计算所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度;
根据所述遮挡区域的遮挡面积及/或所述遮挡区域的遮挡颜色深浅度与所述遮挡区域的权重的反比例关系,确定所述遮挡区域的权重;
对所述遮挡区域的权重进行归一化。
11.如权利要求8所述的人脸识别装置,其特征在于,所述权重计算模块计算所述非遮挡区域的权重包括:
在所述非遮挡区域中,识别五官区域;
计算所述五官区域在所述非遮挡区域中所占的比例;
根据所述五官区域在所述非遮挡区域中所占的比例与所述非遮挡区域的权重的正比例关系,确定所述非遮挡区域的权重
对所述非遮挡区域的权重进行归一化。
12.如权利要求8所述的人脸识别装置,其特征在于,所述提取模块提取所述遮挡区域的特征向量,及提取所述非遮挡区域的特征向量包括:
获取预先训练的人脸特征提取网络模型,其中所述预先训练的人脸特征提取网络模型根据至少一个类别的人脸样本图像训练得到,同一个人的人脸样本图像属于同一类别;
将所述遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述遮挡区域的特征向量;
将所述非遮挡区域的图像作为所述预先训练的人脸特征提取网络模型的输入,利用卷积神经网络方法计算得到所述非遮挡区域的特征向量。
13.如权利要求8所述的人脸识别装置,其特征在于,所述相似度计算模块基于所述遮挡区域的特征向量、所述非遮挡区域的特征向量、所述遮挡区域的权重、所述非遮挡区域的权重,将所述目标人脸图像与人脸数据库中的每个模板人脸图像进行对比,计算每个模板人脸图像与所述目标人脸图像的人脸相似度包括:
(a)对模板人脸图像中的任一模板人脸图像,将所述遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述遮挡区域的第一相似度;
(b)将所述非遮挡区域的特征向量与所述任一模板人脸图像的特征向量进行对比,计算所述任一模板人脸图像与所述非遮挡区域的第二相似度;
(c)根据所述遮挡区域的权重、所述非遮挡区域的权重、所述任一模板人脸图像对应的第一相似度及所述任一模板人脸图像对应的第二相似度,计算所述任一模板人脸图像与所述目标人脸图像的人脸相似度;
(d)对每个模板人脸图像,执行(a)、(b)、(c),直至每个模板人脸图像与所述目标人脸图像的人脸相似度计算完毕。
14.如权利要求8至13中任一项所述的人脸识别装置,其特征在于,所述装置还包括:
判断模块,用于在获取目标人脸图像之后,判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物;
所述判断模块判断在所述目标人脸图像中是否存在遮挡人脸的遮挡物包括:
获取重构人脸图像;
计算所述目标人脸图像与所述重构人脸图像之间的差异值;
当所述差异值大于或者等于差异阈值时,确定在所述目标人脸图像中存在遮挡人脸的遮挡物。
15.一种电子设备,其特征在于,所述电子设备包括存储器及处理器,所述存储器用于存储至少一个指令,所述处理器用于执行所述至少一个指令以实现权利要求1至7任意一项人脸识别方法中的步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现人脸识别方法,所述人脸识别方法包括权利要求1至7任意一项人脸识别方法中的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710577220.4A CN107292287B (zh) | 2017-07-14 | 2017-07-14 | 人脸识别方法、装置、电子设备及存储介质 |
US16/476,307 US10635890B2 (en) | 2017-07-14 | 2018-07-03 | Facial recognition method and apparatus, electronic device, and storage medium |
PCT/CN2018/094368 WO2019011165A1 (zh) | 2017-07-14 | 2018-07-03 | 人脸识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710577220.4A CN107292287B (zh) | 2017-07-14 | 2017-07-14 | 人脸识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292287A true CN107292287A (zh) | 2017-10-24 |
CN107292287B CN107292287B (zh) | 2018-09-21 |
Family
ID=60100572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710577220.4A Active CN107292287B (zh) | 2017-07-14 | 2017-07-14 | 人脸识别方法、装置、电子设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10635890B2 (zh) |
CN (1) | CN107292287B (zh) |
WO (1) | WO2019011165A1 (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729886A (zh) * | 2017-11-24 | 2018-02-23 | 北京小米移动软件有限公司 | 人脸图像的处理方法及装置 |
CN107909065A (zh) * | 2017-12-29 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 用于检测人脸遮挡的方法及装置 |
CN108228742A (zh) * | 2017-12-15 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸查重方法和装置、电子设备、介质、程序 |
CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
CN108664908A (zh) * | 2018-04-27 | 2018-10-16 | 深圳爱酷智能科技有限公司 | 人脸识别方法、设备及计算机可读存储介质 |
CN108764041A (zh) * | 2018-04-25 | 2018-11-06 | 电子科技大学 | 用于下部遮挡人脸图像的人脸识别方法 |
CN108804996A (zh) * | 2018-03-27 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 人脸验证方法、装置、计算机设备及存储介质 |
CN108875533A (zh) * | 2018-01-29 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别的方法、装置、系统及计算机存储介质 |
CN108921209A (zh) * | 2018-06-21 | 2018-11-30 | 杭州骑轻尘信息技术有限公司 | 图片识别方法、装置及电子设备 |
WO2019011165A1 (zh) * | 2017-07-14 | 2019-01-17 | 深圳云天励飞技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN109829448A (zh) * | 2019-03-07 | 2019-05-31 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
CN109993274A (zh) * | 2017-12-29 | 2019-07-09 | 深圳云天励飞技术有限公司 | 人工智能计算装置及相关产品 |
CN110032912A (zh) * | 2018-01-11 | 2019-07-19 | 富士通株式会社 | 人脸验证方法和装置及计算机存储介质 |
WO2019153175A1 (zh) * | 2018-02-08 | 2019-08-15 | 国民技术股份有限公司 | 基于机器学习的遮挡人脸识别系统、方法及存储介质 |
CN110298405A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 类别识别方法及装置、存储介质与终端 |
CN110322472A (zh) * | 2018-03-30 | 2019-10-11 | 华为技术有限公司 | 一种多目标跟踪方法以及终端设备 |
CN110728330A (zh) * | 2019-10-23 | 2020-01-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象识别方法、装置、设备及存储介质 |
CN111414879A (zh) * | 2020-03-26 | 2020-07-14 | 北京字节跳动网络技术有限公司 | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 |
CN111488811A (zh) * | 2020-03-31 | 2020-08-04 | 长沙千视通智能科技有限公司 | 人脸识别方法、装置、终端设备及计算机可读介质 |
CN111626213A (zh) * | 2020-05-27 | 2020-09-04 | 北京嘀嘀无限科技发展有限公司 | 一种身份验证方法、装置、电子设备及可读存储介质 |
CN111783598A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
CN111860343A (zh) * | 2020-07-22 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 确定人脸对比结果的方法及装置 |
CN111881740A (zh) * | 2020-06-19 | 2020-11-03 | 杭州魔点科技有限公司 | 人脸识别方法、装置、电子设备及介质 |
CN111898561A (zh) * | 2020-08-04 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种人脸认证方法、装置、设备及介质 |
CN111915307A (zh) * | 2020-07-02 | 2020-11-10 | 浙江恒科实业有限公司 | 一种无接触式移动支付系统及方法 |
CN111914812A (zh) * | 2020-08-20 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 图像处理模型训练方法、装置、设备及存储介质 |
CN111985360A (zh) * | 2020-08-05 | 2020-11-24 | 上海依图网络科技有限公司 | 一种人脸识别的方法、装置、设备和介质 |
CN112200109A (zh) * | 2020-10-16 | 2021-01-08 | 北京澎思科技有限公司 | 面部属性识别方法、电子设备以及计算机可读存储介质 |
CN112330846A (zh) * | 2019-07-31 | 2021-02-05 | 比亚迪股份有限公司 | 车辆控制的方法、装置、存储介质及电子设备和车辆 |
CN112488062A (zh) * | 2020-12-18 | 2021-03-12 | 浙江大华技术股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN112648479A (zh) * | 2020-08-25 | 2021-04-13 | 深圳市寻视光电有限公司 | 一种人脸识别跟踪的云台支架的使用方法 |
WO2021139167A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN113158732A (zh) * | 2020-12-31 | 2021-07-23 | 深圳市商汤科技有限公司 | 图像处理方法及相关装置 |
CN113221922A (zh) * | 2021-05-31 | 2021-08-06 | 深圳市商汤科技有限公司 | 图像处理方法及相关装置 |
CN113542583A (zh) * | 2021-04-07 | 2021-10-22 | 厦门市思芯微科技有限公司 | 基于TensorFlowLite的移动客户端智能跟随方法及装置 |
CN113657195A (zh) * | 2021-07-27 | 2021-11-16 | 浙江大华技术股份有限公司 | 人脸图像识别方法、设备、电子装置和存储介质 |
CN113836970A (zh) * | 2020-06-23 | 2021-12-24 | 深圳酷派技术有限公司 | 身份验证方法、装置、存储介质和电子设备 |
CN114549921A (zh) * | 2021-12-30 | 2022-05-27 | 浙江大华技术股份有限公司 | 目标识别方法、电子设备及计算机可读存储介质 |
CN114550269A (zh) * | 2022-03-02 | 2022-05-27 | 北京百度网讯科技有限公司 | 口罩佩戴检测方法、设备和介质 |
CN115810214A (zh) * | 2023-02-06 | 2023-03-17 | 广州市森锐科技股份有限公司 | 基于ai人脸识别核验管理方法、系统、设备及存储介质 |
CN116128514A (zh) * | 2022-11-28 | 2023-05-16 | 武汉利楚商务服务有限公司 | 多人脸干预下的刷脸支付方法及装置 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073910B (zh) * | 2017-12-29 | 2021-05-07 | 百度在线网络技术(北京)有限公司 | 用于生成人脸特征的方法和装置 |
CN109741732B (zh) * | 2018-08-30 | 2022-06-21 | 京东方科技集团股份有限公司 | 命名实体识别方法、命名实体识别装置、设备及介质 |
US11328532B2 (en) * | 2020-04-20 | 2022-05-10 | Scott C Harris | Mask aware biometric identification system |
CN112001872B (zh) * | 2020-08-26 | 2021-09-14 | 北京字节跳动网络技术有限公司 | 信息显示方法、设备及存储介质 |
US11520871B2 (en) * | 2020-09-09 | 2022-12-06 | International Business Machines Corporation | Authentication with face covering |
CN112562216B (zh) * | 2020-12-01 | 2022-06-14 | 合肥大多数信息科技有限公司 | 一种电力营业厅智能收费机 |
US20220269878A1 (en) * | 2021-02-19 | 2022-08-25 | Sensormatic Electronics, LLC | Systems and methods of detecting incorrect mask usage |
CN113255706B (zh) * | 2021-07-16 | 2021-09-24 | 南京奕荣芯科技有限公司 | 一种基于卷积神经网络算法的目标识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270308A (zh) * | 2011-07-21 | 2011-12-07 | 武汉大学 | 一种基于五官相关aam模型的面部特征定位方法 |
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN103514432A (zh) * | 2012-06-25 | 2014-01-15 | 诺基亚公司 | 人脸特征提取方法、设备和计算机程序产品 |
CN103903004A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别多特征权值融合方法与装置 |
CN105654033A (zh) * | 2015-12-21 | 2016-06-08 | 小米科技有限责任公司 | 人脸图像验证方法和装置 |
CN106411856A (zh) * | 2016-09-06 | 2017-02-15 | 北京交通大学 | 基于移动终端人脸识别的认证方法和装置 |
CN106709404A (zh) * | 2015-11-16 | 2017-05-24 | 佳能株式会社 | 图像处理装置及图像处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100703693B1 (ko) | 2005-01-13 | 2007-04-05 | 삼성전자주식회사 | 얼굴 인식 시스템 및 방법 |
CN103902962B (zh) | 2012-12-28 | 2017-10-31 | 汉王科技股份有限公司 | 一种遮挡或光源自适应人脸识别方法和装置 |
CN107292287B (zh) * | 2017-07-14 | 2018-09-21 | 深圳云天励飞技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
-
2017
- 2017-07-14 CN CN201710577220.4A patent/CN107292287B/zh active Active
-
2018
- 2018-07-03 US US16/476,307 patent/US10635890B2/en not_active Expired - Fee Related
- 2018-07-03 WO PCT/CN2018/094368 patent/WO2019011165A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270308A (zh) * | 2011-07-21 | 2011-12-07 | 武汉大学 | 一种基于五官相关aam模型的面部特征定位方法 |
CN103514432A (zh) * | 2012-06-25 | 2014-01-15 | 诺基亚公司 | 人脸特征提取方法、设备和计算机程序产品 |
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN103903004A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别多特征权值融合方法与装置 |
CN106709404A (zh) * | 2015-11-16 | 2017-05-24 | 佳能株式会社 | 图像处理装置及图像处理方法 |
CN105654033A (zh) * | 2015-12-21 | 2016-06-08 | 小米科技有限责任公司 | 人脸图像验证方法和装置 |
CN106411856A (zh) * | 2016-09-06 | 2017-02-15 | 北京交通大学 | 基于移动终端人脸识别的认证方法和装置 |
Non-Patent Citations (1)
Title |
---|
《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10635890B2 (en) | 2017-07-14 | 2020-04-28 | Shenzhen Intellifusion Technologies Co., Ltd. | Facial recognition method and apparatus, electronic device, and storage medium |
WO2019011165A1 (zh) * | 2017-07-14 | 2019-01-17 | 深圳云天励飞技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN107729886A (zh) * | 2017-11-24 | 2018-02-23 | 北京小米移动软件有限公司 | 人脸图像的处理方法及装置 |
CN108228742A (zh) * | 2017-12-15 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸查重方法和装置、电子设备、介质、程序 |
CN109993274B (zh) * | 2017-12-29 | 2021-01-12 | 深圳云天励飞技术有限公司 | 人工智能计算装置及相关产品 |
CN109993274A (zh) * | 2017-12-29 | 2019-07-09 | 深圳云天励飞技术有限公司 | 人工智能计算装置及相关产品 |
CN107909065A (zh) * | 2017-12-29 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 用于检测人脸遮挡的方法及装置 |
CN107909065B (zh) * | 2017-12-29 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 用于检测人脸遮挡的方法及装置 |
CN110032912A (zh) * | 2018-01-11 | 2019-07-19 | 富士通株式会社 | 人脸验证方法和装置及计算机存储介质 |
US10832032B2 (en) | 2018-01-29 | 2020-11-10 | Beijing Kuangshi Technology Co., Ltd. | Facial recognition method, facial recognition system, and non-transitory recording medium |
CN108875533A (zh) * | 2018-01-29 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别的方法、装置、系统及计算机存储介质 |
WO2019153175A1 (zh) * | 2018-02-08 | 2019-08-15 | 国民技术股份有限公司 | 基于机器学习的遮挡人脸识别系统、方法及存储介质 |
CN108804996A (zh) * | 2018-03-27 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 人脸验证方法、装置、计算机设备及存储介质 |
CN110322472A (zh) * | 2018-03-30 | 2019-10-11 | 华为技术有限公司 | 一种多目标跟踪方法以及终端设备 |
CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
CN108764041A (zh) * | 2018-04-25 | 2018-11-06 | 电子科技大学 | 用于下部遮挡人脸图像的人脸识别方法 |
CN108764041B (zh) * | 2018-04-25 | 2021-09-14 | 电子科技大学 | 用于下部遮挡人脸图像的人脸识别方法 |
CN108664908A (zh) * | 2018-04-27 | 2018-10-16 | 深圳爱酷智能科技有限公司 | 人脸识别方法、设备及计算机可读存储介质 |
CN108921209A (zh) * | 2018-06-21 | 2018-11-30 | 杭州骑轻尘信息技术有限公司 | 图片识别方法、装置及电子设备 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
CN109829448A (zh) * | 2019-03-07 | 2019-05-31 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
CN109829448B (zh) * | 2019-03-07 | 2021-05-28 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
CN110298405A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 类别识别方法及装置、存储介质与终端 |
CN112330846A (zh) * | 2019-07-31 | 2021-02-05 | 比亚迪股份有限公司 | 车辆控制的方法、装置、存储介质及电子设备和车辆 |
WO2021077984A1 (zh) * | 2019-10-23 | 2021-04-29 | 腾讯科技(深圳)有限公司 | 对象识别方法、装置、电子设备及可读存储介质 |
CN110728330A (zh) * | 2019-10-23 | 2020-01-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象识别方法、装置、设备及存储介质 |
CN111414879B (zh) * | 2020-03-26 | 2023-06-09 | 抖音视界有限公司 | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 |
CN111414879A (zh) * | 2020-03-26 | 2020-07-14 | 北京字节跳动网络技术有限公司 | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 |
CN111488811B (zh) * | 2020-03-31 | 2023-08-22 | 长沙千视通智能科技有限公司 | 人脸识别方法、装置、终端设备及计算机可读介质 |
CN111488811A (zh) * | 2020-03-31 | 2020-08-04 | 长沙千视通智能科技有限公司 | 人脸识别方法、装置、终端设备及计算机可读介质 |
CN111626213A (zh) * | 2020-05-27 | 2020-09-04 | 北京嘀嘀无限科技发展有限公司 | 一种身份验证方法、装置、电子设备及可读存储介质 |
CN111881740A (zh) * | 2020-06-19 | 2020-11-03 | 杭州魔点科技有限公司 | 人脸识别方法、装置、电子设备及介质 |
CN111881740B (zh) * | 2020-06-19 | 2024-03-22 | 杭州魔点科技有限公司 | 人脸识别方法、装置、电子设备及介质 |
CN113836970A (zh) * | 2020-06-23 | 2021-12-24 | 深圳酷派技术有限公司 | 身份验证方法、装置、存储介质和电子设备 |
CN111783598B (zh) * | 2020-06-24 | 2023-08-08 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
CN111783598A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
CN111915307A (zh) * | 2020-07-02 | 2020-11-10 | 浙江恒科实业有限公司 | 一种无接触式移动支付系统及方法 |
CN111860343A (zh) * | 2020-07-22 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 确定人脸对比结果的方法及装置 |
CN111860343B (zh) * | 2020-07-22 | 2023-04-28 | 杭州海康威视数字技术股份有限公司 | 确定人脸对比结果的方法及装置 |
WO2021139167A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN111898561A (zh) * | 2020-08-04 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种人脸认证方法、装置、设备及介质 |
CN111985360A (zh) * | 2020-08-05 | 2020-11-24 | 上海依图网络科技有限公司 | 一种人脸识别的方法、装置、设备和介质 |
CN111914812A (zh) * | 2020-08-20 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 图像处理模型训练方法、装置、设备及存储介质 |
CN111914812B (zh) * | 2020-08-20 | 2022-09-16 | 腾讯科技(深圳)有限公司 | 图像处理模型训练方法、装置、设备及存储介质 |
CN112648479A (zh) * | 2020-08-25 | 2021-04-13 | 深圳市寻视光电有限公司 | 一种人脸识别跟踪的云台支架的使用方法 |
CN112648479B (zh) * | 2020-08-25 | 2022-10-18 | 深圳市寻视光电有限公司 | 一种人脸识别跟踪的云台支架的使用方法 |
CN112200109A (zh) * | 2020-10-16 | 2021-01-08 | 北京澎思科技有限公司 | 面部属性识别方法、电子设备以及计算机可读存储介质 |
CN112488062A (zh) * | 2020-12-18 | 2021-03-12 | 浙江大华技术股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN112488062B (zh) * | 2020-12-18 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN113158732A (zh) * | 2020-12-31 | 2021-07-23 | 深圳市商汤科技有限公司 | 图像处理方法及相关装置 |
CN113542583A (zh) * | 2021-04-07 | 2021-10-22 | 厦门市思芯微科技有限公司 | 基于TensorFlowLite的移动客户端智能跟随方法及装置 |
CN113221922A (zh) * | 2021-05-31 | 2021-08-06 | 深圳市商汤科技有限公司 | 图像处理方法及相关装置 |
CN113657195A (zh) * | 2021-07-27 | 2021-11-16 | 浙江大华技术股份有限公司 | 人脸图像识别方法、设备、电子装置和存储介质 |
CN114549921A (zh) * | 2021-12-30 | 2022-05-27 | 浙江大华技术股份有限公司 | 目标识别方法、电子设备及计算机可读存储介质 |
CN114550269A (zh) * | 2022-03-02 | 2022-05-27 | 北京百度网讯科技有限公司 | 口罩佩戴检测方法、设备和介质 |
CN116128514A (zh) * | 2022-11-28 | 2023-05-16 | 武汉利楚商务服务有限公司 | 多人脸干预下的刷脸支付方法及装置 |
CN116128514B (zh) * | 2022-11-28 | 2023-10-13 | 武汉利楚商务服务有限公司 | 多人脸干预下的刷脸支付方法及装置 |
CN115810214A (zh) * | 2023-02-06 | 2023-03-17 | 广州市森锐科技股份有限公司 | 基于ai人脸识别核验管理方法、系统、设备及存储介质 |
CN115810214B (zh) * | 2023-02-06 | 2023-05-12 | 广州市森锐科技股份有限公司 | 基于ai人脸识别核验管理方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10635890B2 (en) | 2020-04-28 |
US20200042770A1 (en) | 2020-02-06 |
WO2019011165A1 (zh) | 2019-01-17 |
CN107292287B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292287B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
WO2019174130A1 (zh) | 票据识别方法、服务器及计算机可读存储介质 | |
CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
CN110956122B (zh) | 图像处理方法及装置、处理器、电子设备、存储介质 | |
US10467743B1 (en) | Image processing method, terminal and storage medium | |
CN112633144A (zh) | 人脸遮挡检测方法、系统、设备及存储介质 | |
CN107016370A (zh) | 一种基于数据增强的部分遮挡人脸识别方法 | |
CN102254188B (zh) | 掌纹识别方法及装置 | |
CN107871314B (zh) | 一种敏感图像鉴别方法和装置 | |
CN105518709A (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
CN111696080B (zh) | 一种基于静态纹理的人脸欺诈检测方法、系统及存储介质 | |
CN111899270B (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
EP4047509A1 (en) | Facial parsing method and related devices | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN111814612A (zh) | 目标的脸部检测方法及其相关装置 | |
CN111680664B (zh) | 一种人脸图像年龄识别方法、装置和设备 | |
CN107004137A (zh) | 用于目标检测的系统和方法 | |
CN112669187A (zh) | 身份识别方法、装置、电子设备及相关产品 | |
Sakthimohan et al. | Detection and Recognition of Face Using Deep Learning | |
CN114360182B (zh) | 一种智能告警方法、装置、设备及存储介质 | |
Bhaskar et al. | Advanced algorithm for gender prediction with image quality assessment | |
CN111402027B (zh) | 身份识别方法、商品贷审核方法、装置及终端设备 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN111126177B (zh) | 人数统计的方法及装置 |
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 |