CN107330358A - 后向搜索模型集成方法及装置、存储设备和人脸识别系统 - Google Patents
后向搜索模型集成方法及装置、存储设备和人脸识别系统 Download PDFInfo
- Publication number
- CN107330358A CN107330358A CN201710350360.8A CN201710350360A CN107330358A CN 107330358 A CN107330358 A CN 107330358A CN 201710350360 A CN201710350360 A CN 201710350360A CN 107330358 A CN107330358 A CN 107330358A
- Authority
- CN
- China
- Prior art keywords
- model
- face recognition
- human face
- models sets
- integrated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000010354 integration Effects 0.000 title abstract 2
- 238000012360 testing method Methods 0.000 claims description 70
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000000528 statistical test Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种后向搜索模型集成方法和装置、一种存储设备和一种人脸识别系统，所述方法包括：获取已完成训练的N个人脸识别模型；以i的初始值为1，并以所述N个人脸识别模型作为第i模型集，执行以下后向搜索操作：从第i模型集中删除一个人脸识别模型作为第i+1模型集；当判定所述第i+1模型集满足停止后向搜索的条件时，输出所述第i+1模型集，否则对i加一并返回执行所述后向搜索操作；i<N。采用本发明实施例，能够快速有效地筛选出模型，在减少冗余的同时避免搜索空间过大。
Description
技术领域
本发明涉及计算机人脸识别技术领域，尤其涉及一种后向搜索模型集成方法及装置、一种存储设备和一种人脸识别系统。
背景技术
在人脸识别算法研究中发现，单个人脸识别模型的精确度一般来说比较有限，较常用的做法是训练出不同人脸识别模型，然后将这些模型组合集成在一起使用。集成后的模型一般会比单个模型有更高的识别准确率。这个思路不仅适用于人脸识别算法，在一般的模式识别领域同样适用。
现有的做法是直接把训练好的多个模型放在一起使用，根据多个算法模型输出，采用平均或者投票的方式进行最终识别结果的确定。发明人要实施本发明时，发现现有做法存在以下问题：
1、我们一般希望对同一任务训练出的模型越多越好，但是多个模型之间可能存在冗余，因此我们需要在训练好的模型中进行快速和有效的筛选，进行模型选择；
2、多个模型在训练过程中没有考虑到各个模型之间的信息传递和交换，因此在最终识别阶段的合作性和互补性会有欠缺，一方面不能做到全面综合多个模型的全局信息，另一方面多个模型输出的特征存在很大的冗余，加重了存储量和计算量。
发明内容
本发明实施例提出的后向搜索模型集成方法及装置、存储设备和人脸识别系统，能够快速有效地筛选出模型，在减少冗余的同时避免搜索空间过大。
本发明实施例提供一种后向搜索模型集成方法，包括：
获取已完成训练的N个人脸识别模型；
以i的初始值为1，并以所述N个人脸识别模型作为第i模型集，执行以下后向搜索操作：
从第i模型集中删除一个人脸识别模型作为第i+1模型集；
当判定所述第i+1模型集满足停止后向搜索的条件时，输出所述第i+1模型集，否则对i加一并返回执行所述后向搜索操作；i<N。
进一步地，所述从第i模型集中删除一个人脸识别模型作为第i+1模型集，具体为：
对第i模型集中的每一个人脸识别模型，从所述第i模型集中删除所述人脸识别模型，获得N-i个分集合；
对于每一个分集合，计算由所述分集合中的所有元素集成的人脸识别模型的测试识别率；其中，所述测试识别率是指利用人脸识别模型对标准人脸测试集的图片测试的成功率；
选取测试识别率最高对应的分集合作为第i+1模型集。
进一步地，所述判定所述第i+1模型集满足停止后向搜索的条件，具体为：
由所述第i+1模型集中的所有元素集成的人脸识别模型的测试识别率与由所述第i模型集中的所有元素集成的人脸识别模型的测试识别率的差值大于后向搜索阈值。
再进一步地，计算人脸识别模型的测试识别率的过程，具体为：
采用主成分分析方法从所述人脸识别模型提取模型特征；所述模型特征的数组长度为预设数组长度；
根据提取出来的模型特征对所述标准人脸测试集的图片进行测试；
统计测试过程中的成功率，并将所述成功率作为所述人脸识别模型的测试识别率。
更进一步地，所述后向搜索模型集成方法，还包括：
在i加一之后，判断i的数值是否为N；
若是，则停止执行所述后向搜索操作，并输出第i模型集，以供人脸识别系统根据由所述第i模型集中包含的人脸识别模型集成的模型进行人脸识别工作。
相应地，本发明实施例还提供的一种后向搜索模型集成装置，包括：
模型获取模块，用于获取已完成训练的N个人脸识别模型；
初始化模块，用于将i的初始值设置为1，并将所述N个人脸识别模型作为第i模型集的元素；
后向搜索模块，用于执行后向搜索操作，包括以下单元：
集合元素删除单元，用于从第i模型集中删除一个人脸识别模型作为第i+1模型集；
循环判断单元，用于当判定所述第i+1模型集满足停止后向搜索的条件时，输出所述第i+1模型集，否则对i加一并返回执行所述后向搜索操作；i<N。
进一步地，所述集合元素删除单元，具体包括：
分集合子单元，用于对第i模型集中的每一个人脸识别模型，从所述第i模型集中删除所述人脸识别模型，获得N-i个分集合；
集合计算子单元，用于对于每一个分集合，计算由所述分集合中的所有元素集成的人脸识别模型的测试识别率；其中，所述测试识别率是指利用人脸识别模型对标准人脸测试集的图片测试的成功率；
选取子单元，用于选取测试识别率最高对应的分集合作为第i+1模型集。
进一步地，所述判定所述第i+1模型集满足停止后向搜索的条件，具体为：
由所述第i+1模型集中的所有元素集成的人脸识别模型的测试识别率与由所述第i模型集中的所有元素集成的人脸识别模型的测试识别率的差值大于后向搜索阈值。
更进一步地，所述基于前向搜运的模型集成装置还包括用于计算人脸识别模型的测试识别率的识别率计算模块，具体包括：
特征提取单元，用于采用主成分分析装置从所述人脸识别模型提取模型特征；所述模型特征的数组长度为预设数组长度；
测试单元，用于根据提取出来的模型特征对所述标准人脸测试集的图片进行测试；
统计单元，用于统计测试过程中的成功率，并将所述成功率作为所述人脸识别模型的测试识别率。
再进一步地，所述后向搜索模块，还包括：
加一判断单元，用于在i加一之后，判断i的数值是否为N；
停止并输出单元，用于当i的数值为N时，则停止执行所述后向搜索操作，并输出第i模型集。
另外，本发明实施例还提供一种存储设备，其中存储有多条指令，所述指令被处理器执行时实现如前所述的后向搜索模型集成方法的任一实施例。
以及，本发明实施例还提供一种人脸识别系统，包括存储设备、处理器及存储在所述存储设备上并可在所述处理器上运行的多条指令，其中，所述处理器执行所术指令时实现如前所述的后向搜索模型集成方法的任一实施例。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种后向搜索模型集成方法及装置，从多个人脸识别模型中删除一个能使由剩余的模型集成的模型的测试识别率最高的模型，然后判断剩余的模型是否满足停止后向搜索的条件，如果满足，则直接输出该集成的人脸识模型作为识别的工具，否则返回继续从剩余的模型中再删除一个模型来进行判断，直至满足停止后向搜索的条件为至，此种模型搜索方式仅需要基于当前的情况进行决策，只要满足条件则跳出循环，能够大大降低计算量，无须过多地考虑更久远的可能性。而且，从逐次从剩余的模型中删除一个模型的标准为删除后的剩余的模型集成的测试识别率高低，提高筛选模型的有效率，进而提高集成模型的测试识别率。另外，采用主成分分析方式对人脸识别模型提取模型特征，能够对模型特征进行融合压缩，减少多个模型之间的冗余。
附图说明
图1是本发明提供的后向搜索模型集成方法的一个实施例的流程示意图；
图2本发明提供的后向搜索模型集成装置的一个实施例的结构示意图；
图3是本发明提供的后向搜索模型集成装置的后向搜索模块的一个实施例的结构示意图；
图4是本发明提供的后向搜索模型集成装置的后向搜索模块的集合元素删除单元的一个实施例的结构示意图；
图5，是本发明提供的后向搜索模型集成装置的识别率计算模块的一个实施例的结构示意图。
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作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。
参见图1，是本发明提供的后向搜索模型集成方法的一个实施例的流程示意图，该后向搜索模型集成方法，包括：
S1，获取已完成训练的N个人脸识别模型；所述N个人脸识别模型是提前训练好，例如将一张人脸图片拆分成25个人脸区域块分别去识别，那么就会有25个不同的人脸识别模型。
S2，以i的初始值为1，并以所述N个人脸识别模型作为第i模型集，当前的第i模型集为第1模型集；然后执行以下后向搜索操作：
S3，从第i模型集中删除一个人脸识别模型作为第i+1模型集；由于模型集包含有多个人脸识别模型，模型之间存在相同模型特征，那么若将模型集中的模型删除，可以减少集成后的模型有明显示冗余的成分。
S4，判断所述第i+1模型集是否满足停止后向搜索的条件；
S5，若是，输出所述第i+1模型集；
S6，若否，对i加一并返回执行所述后向搜索操作，即步骤S3至S6；i<N。
需要说明的是，在执行后向搜索操作的过程中，在i加一之后，判断i的数值是否为N；若是，则停止执行所述后向搜索操作，并输出第i模型集，以供人脸识别系统根据由所述第i模型集中包含的人脸识别模型集成的模型进行人脸识别工作。
进一步地，上述步骤S3的实施方式可参考模型的测试识别率，本发明实施例是从第i模型集中删除一个能使剩余的所有人脸识别模型集成的模型的测试识率最高的模型，并且剩余的模型作为第i+1模型集的元素。因而，具体实施过程为：
对第i模型集中的每一个人脸识别模型，从所述第i模型集中删除所述人脸识别模型，获得N-i个分集合；
对于每一个分集合，计算由所述分集合中的所有元素集成的人脸识别模型的测试识别率；其中，所述测试识别率是指利用人脸识别模型对标准人脸测试集的图片测试的成功率；
选取测试识别率最高对应的分集合作为第i+1模型集。
需要说明的是，从当前的i数值标识之前选取过的模型作为一个集合，即为第i模型集。通过上述步骤S3的循环删除，获得只要处于当前的i数值标识的模型集，采用从集合中删除元素的方式，来实现从集合中选取多个模型，且多个模型集成的模型的测试识别率最高。那么，只要确定删除元素的个数，任意获得的模型集都是处于其被删除元素相同的模型集中的测试识别率最高，进而，使得后续第i+1模型集与第i模型集的比较筛选具有代表性，能够有效地筛选出对人脸识别准确度高的多个模型进行集成，并提高搜索的效率。
具体地，上述步骤S4中的判定所述第i+1模型集满足停止后向搜索的条件，具体为：
由所述第i+1模型集中的所有元素集成的人脸识别模型的测试识别率与由所述第i模型集中的所有元素集成的人脸识别模型的测试识别率的差值大于后向搜索阈值。
上述实施例涉及计算人脸识别模型的测试识别率的过程，具体为：
采用主成分分析方法从所述人脸识别模型提取模型特征；所述模型特征的数组长度为预设数组长度；
根据提取出来的模型特征对所述标准人脸测试集的图片进行测试；
统计测试过程中的成功率，并将所述成功率作为所述人脸识别模型的测试识别率。
在本发明实施例中，对于特征的应用场景，人脸识别模型输出的特征数组长度是事先定义好的，因而假设所述N个人脸识别模型的任意一个人脸识别模型的原始特征的数组长度为4096，而经主成分分析方法提取出的模型特征数组长度为400，有明显的压缩和冗余度的降低，在后续的前向搜索过程，随着模型集中的模型数量增加，模型特征之间的融合和冗余度的下降会更加明显。而多个模型之间的集成是将每一个模型的模型特征串接在一块，例如第一个模型的原始特征的数组长度为4096，则两个模型集成后的模型的原始特征的数组长度为4096*2＝8192，结主成分分析可以将集成后的模型的特征压缩到长度为400，即增加了模型之间的信息融合，又降低模型内部和模型之间的特征信息冗余。
本发明实施例提供的一种后向搜索模型集成方法，从多个人脸识别模型中删除一个能使由剩余的模型集成的模型的测试识别率最高的模型，然后判断剩余的模型是否满足停止后向搜索的条件，如果满足，则直接输出该集成的人脸识模型作为识别的工具，否则返回继续从剩余的模型中再删除一个模型来进行判断，直至满足停止后向搜索的条件为至，此种模型搜索方式仅需要基于当前的情况进行决策，只要满足条件则跳出循环，能够大大降低计算量，无须过多地考虑更久远的可能性。而且，从逐次从剩余的模型中删除一个模型的标准为删除后的剩余的模型集成的测试识别率高低，提高筛选模型的有效率，进而提高集成模型的测试识别率。另外，采用主成分分析方式对人脸识别模型提取模型特征，能够对模型特征进行融合压缩，减少多个模型之间的冗余。
另外，本发明实施例还提供一种存储设备，其中存储有多条指令，所述指令被处理器执行时实现如前所述的后向搜索模型集成方法的任一实施例。
以及，本发明实施例还提供一种人脸识别系统，包括存储设备、处理器及存储在所述存储设备上并可在所述处理器上运行的多条指令，其中，所述处理器执行所术指令时实现如前所述的后向搜索模型集成方法的任一实施例。
参见图2和图3，图2本发明提供的后向搜索模型集成装置的一个实施例的结构示意图，图3是本发明提供的后向搜索模型集成装置的后向搜索模块的一个实施例的结构示意图；该后向搜索模型集成装置能够实施上述实施例的方法的全部流程，具体包括：
模型获取模块10，用于获取已完成训练的N个人脸识别模型；
初始化模块20，用于将i的初始值设置为1，并将所述N个人脸识别模型作为第i模型集的元素；
后向搜索模块30，用于执行后向搜索操作，包括以下单元：
集合元素删除单元31，用于从第i模型集中删除一个人脸识别模型作为第i+1模型集；
循环判断单元32，用于当判定所述第i+1模型集满足停止后向搜索的条件时，输出所述第i+1模型集，否则对i加一并返回执行所述后向搜索操作；i<N。
参见图4，是本发明提供的后向搜索模型集成装置的后向搜索模块的集合元素删除单元的一个实施例的结构示意图；
进一步地，所述集合元素删除单元31，具体包括：
分集合子单元311，用于对第i模型集中的每一个人脸识别模型，从所述第i模型集中删除所述人脸识别模型，获得N-i个分集合；
集合计算子单元312，用于对于每一个分集合，计算由所述分集合中的所有元素集成的人脸识别模型的测试识别率；其中，所述测试识别率是指利用人脸识别模型对标准人脸测试集的图片测试的成功率；
选取子单元313，用于选取测试识别率最高对应的分集合作为第i+1模型集。
进一步地，所述判定所述第i+1模型集满足停止后向搜索的条件，具体为：
由所述第i+1模型集中的所有元素集成的人脸识别模型的测试识别率与由所述第i模型集中的所有元素集成的人脸识别模型的测试识别率的差值大于后向搜索阈值。
参见图5，是本发明提供的后向搜索模型集成装置的识别率计算模块的一个实施例的结构示意图；
更进一步地，所述基于前向搜运的模型集成装置还包括用于计算人脸识别模型的测试识别率的识别率计算模块40，具体包括：
特征提取单元41，用于采用主成分分析装置从所述人脸识别模型提取模型特征；所述模型特征的数组长度为预设数组长度；
测试单元42，用于根据提取出来的模型特征对所述标准人脸测试集的图片进行测试；
统计单元43，用于统计测试过程中的成功率，并将所述成功率作为所述人脸识别模型的测试识别率。
再进一步地，所述后向搜索模块30，还包括：
加一判断单元33，用于在i加一之后，判断i的数值是否为N；
停止并输出单元34，用于当i的数值为N时，则停止执行所述后向搜索操作，并输出第i模型集，以供人脸识别系统根据由所述第i模型集中包含的人脸识别模型集成的模型进行人脸识别工作。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种后向搜索模型集成装置，从多个人脸识别模型中删除一个能使由剩余的模型集成的模型的测试识别率最高的模型，然后判断剩余的模型是否满足停止后向搜索的条件，如果满足，则直接输出该集成的人脸识模型作为识别的工具，否则返回继续从剩余的模型中再删除一个模型来进行判断，直至满足停止后向搜索的条件为至，此种模型搜索方式仅需要基于当前的情况进行决策，只要满足条件则跳出循环，能够大大降低计算量，无须过多地考虑更久远的可能性。而且，从逐次从剩余的模型中删除一个模型的标准为删除后的剩余的模型集成的测试识别率高低，提高筛选模型的有效率，进而提高集成模型的测试识别率。另外，采用主成分分析方式对人脸识别模型提取模型特征，能够对模型特征进行融合压缩，减少多个模型之间的冗余。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种后向搜索模型集成方法，其特征在于，包括：
获取已完成训练的N个人脸识别模型；
以i的初始值为1，并以所述N个人脸识别模型作为第i模型集，执行以下后向搜索操作：
从第i模型集中删除一个人脸识别模型作为第i+1模型集；
当判定所述第i+1模型集满足停止后向搜索的条件时，输出所述第i+1模型集，以供人脸识别系统根据由所述第i+1模型集中包含的人脸识别模型集成的模型进行人脸识别工作；否则对i加一并返回执行所述后向搜索操作；i<N。
2.如权利要求1所述的后向搜索模型集成方法，其特征在于，所述从第i模型集中删除一个人脸识别模型作为第i+1模型集，具体为：
对第i模型集中的每一个人脸识别模型，从所述第i模型集中删除所述人脸识别模型，获得N-i个分集合；
对于每一个分集合，计算由所述分集合中的所有元素集成的人脸识别模型的测试识别率；其中，所述测试识别率是指利用人脸识别模型对标准人脸测试集的图片测试的成功率；
选取测试识别率最高对应的分集合作为第i+1模型集。
3.如权利要求2所述的后向搜索模型集成方法，其特征在于，所述判定所述第i+1模型集满足停止后向搜索的条件，具体为：
由所述第i+1模型集中的所有元素集成的人脸识别模型的测试识别率与由所述第i模型集中的所有元素集成的人脸识别模型的测试识别率的差值大于后向搜索阈值。
4.如权利要求2或3所述的基于前向搜索的模型集成方法，其特征在于，计算人脸识别模型的测试识别率的过程，具体为：
采用主成分分析方法从所述人脸识别模型提取模型特征；所述模型特征的数组长度为预设数组长度；
根据提取出来的模型特征对所述标准人脸测试集的图片进行测试；
统计测试过程中的成功率，并将所述成功率作为所述人脸识别模型的测试识别率。
5.如权利要求1所述的后向搜索模型集成方法，其特征在于，所述后向搜索模型集成方法，还包括：
在i加一之后，判断i的数值是否为N；
若是，则停止执行所述后向搜索操作，并输出第i模型集，以供人脸识别系统根据由所述第i模型集中包含的人脸识别模型集成的模型进行人脸识别工作。
6.一种后向搜索模型集成装置，其特征在于，包括：
模型获取模块，用于获取已完成训练的N个人脸识别模型；
初始化模块，用于将i的初始值设置为1，并将所述N个人脸识别模型作为第i模型集的元素；
后向搜索模块，用于执行后向搜索操作，包括以下单元：
集合元素删除单元，用于从第i模型集中删除一个人脸识别模型作为第i+1模型集；
循环判断单元，用于当判定所述第i+1模型集满足停止后向搜索的条件时，输出所述第i+1模型集，以供人脸识别系统根据由所述第i+1模型集中包含的人脸识别模型集成的模型进行人脸识别工作；否则对i加一并返回执行所述后向搜索操作；i<N。
7.如权利要求6所述的后向搜索模型集成装置，其特征在于，所述集合元素删除单元，具体包括：
分集合子单元，用于对第i模型集中的每一个人脸识别模型，从所述第i模型集中删除所述人脸识别模型，获得N-i个分集合；
集合计算子单元，用于对于每一个分集合，计算由所述分集合中的所有元素集成的人脸识别模型的测试识别率；其中，所述测试识别率是指利用人脸识别模型对标准人脸测试集的图片测试的成功率；
选取子单元，用于选取测试识别率最高对应的分集合作为第i+1模型集。
8.如权利要求7所述的后向搜索模型集成装置，其特征在于，所述判定所述第i+1模型集满足停止后向搜索的条件，具体为：
由所述第i+1模型集中的所有元素集成的人脸识别模型的测试识别率与由所述第i模型集中的所有元素集成的人脸识别模型的测试识别率的差值大于后向搜索阈值。
9.一种存储设备，其中存储有多条指令，其特征在于，所述指令被处理器执行时实现如权利要求1至5任一项所述的后向搜索模型集成方法。
10.一种人脸识别系统，其特征在于，包括存储设备、处理器及存储在所述存储设备上并可在所述处理器上运行的多条指令，其中，所述处理器执行所术指令时实现如权利要求1对5任一项所述的后向搜索模型集成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710350360.8A CN107330358B (zh) | 2017-05-17 | 2017-05-17 | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710350360.8A CN107330358B (zh) | 2017-05-17 | 2017-05-17 | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107330358A true CN107330358A (zh) | 2017-11-07 |
| CN107330358B CN107330358B (zh) | 2020-09-01 |
Family
ID=60192792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710350360.8A Active CN107330358B (zh) | 2017-05-17 | 2017-05-17 | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330358B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680598A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156872A (zh) * | 2010-12-29 | 2011-08-17 | 深圳大学 | 一种基于多光谱数据的物体识别方法和装置 |
| CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
| CN106126413A (zh) * | 2016-06-16 | 2016-11-16 | 南通大学 | 基于两阶段包裹式特征选择的软件缺陷预测方法 |
-
2017
- 2017-05-17 CN CN201710350360.8A patent/CN107330358B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156872A (zh) * | 2010-12-29 | 2011-08-17 | 深圳大学 | 一种基于多光谱数据的物体识别方法和装置 |
| CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
| CN106126413A (zh) * | 2016-06-16 | 2016-11-16 | 南通大学 | 基于两阶段包裹式特征选择的软件缺陷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| HONG XIA ET AL.: "Feature selection using fuzzy support vector machines", 《FUZZY OPTIM DECIS MAKING（2006）》 * |
| SAROJINI BALAKRISHNAN ET AL.: "SVM Ranking with Backward Search for Feature Selection in Type ⅡDiabetes Databases", 《2008 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS，MAN AND CYBERNETICS(SMC 2008)》 * |
| 吴永辉 等: "利用SVM的极化SAR图像特征选择与分类", 《电子与信息学报》 * |
| 武小年 等: "入侵检测中基于SVM的两极特征选择方法", 《通信学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680598A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
| CN111680598B (zh) * | 2020-05-29 | 2023-09-12 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107330358B (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110825579B (zh) | 服务器性能监控方法、装置、计算机设备及存储介质 | |
| CN108805083A (zh) | 单阶段的视频行为检测方法 | |
| CN104679818B (zh) | 一种视频关键帧提取方法及系统 | |
| CN111950656B (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
| CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN103262103B (zh) | 用于情景分析的处理器 | |
| CN109559295A (zh) | 图像分析系统、方法、计算机可读存储介质、及电子终端 | |
| US20090252392A1 (en) | System and method for analyzing medical images | |
| CN108564008A (zh) | 一种基于zynq的实时行人与人脸检测方法 | |
| CN112580536A (zh) | 一种高位视频车辆及车牌的检测方法及装置 | |
| CN104391879A (zh) | 层次聚类的方法及装置 | |
| CN109447066A (zh) | 一种快速精确的单阶段目标检测方法及装置 | |
| CN105654095A (zh) | 一种特征的选择方法和装置 | |
| CN117556369A (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| CN107330358A (zh) | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 | |
| CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
| CN109285009A (zh) | 刷单识别方法和刷单识别装置 | |
| CN107358143A (zh) | 前向搜索模型集成方法、装置、存储设备和人脸识别系统 | |
| CN102117380B (zh) | 简化基于矩阵的Boosting算法的系统及方法 | |
| CN113283465A (zh) | 一种弥散张量成像数据分析方法及装置 | |
| CN107330512A (zh) | 预测蛋白质序列的远同源性关系的神经网络结构及方法 | |
| CN113468975A (zh) | 打架行为检测方法及装置 | |
| CN106529801A (zh) | 服务组合候选集构建方法及系统 | |
| CN108090483B (zh) | 乳腺肿块候选区的检测方法及装置 | |
| CN113673391B (zh) | 一种视频场景分类的方法、系统、设备及存储介质 |
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 |